1

Identifikasi Mutu Jagung Menggunakan Fitur Warna dan Tekstur Berbasis

Pengolahan Citra Digital dan Algoritma K-Nearest Neighbor (K-NN)

Identification of Corn Quality using Color and Texture Features based on Digital
Image Processing and K-Nearest Neighbor (K-NN) Algorithm
Miftahul Jannah1)*, Mas’ud Effendi2), Usman Effendi2)
1)
Program Studi Teknologi Industri Pertanian, Universitas Brawijaya
2)
Staff Pengajar Jurusan Teknologi Industri Pertanian, Universitas Brawijaya
Departement of Agro-Industrial Technology, Faculty of Agrocultural Technology
University of Brawijaya, Malang, Indonesia
*
miftahuljannah0904@gmail.com

Abstrak
Jagung merupakan komoditas tanaman pangan yang sebagian besar dimanfaatkan sebagai bahan baku pakan.
Permasalahan saat ini, mutu jagung petani memiliki kadar air tinggi, sehingga industri pakan harus memasok
melalui pedagang untuk menyerap jagung lokal. Penentuan kadar air mutu jagung di tingkat petani didasarkan lama
pengeringan. Metode seperti ini bersifat subjektif tergantung masing-masing pedagang, sehingga mengakibatkan
perbedaan harga beli jagung. Karenanya, diperlukan metode identifikasi mutu jagung yang baik dan akurat untuk
mempercepat penentuan harga jagung di tingkat petani. Penelitian ini bertujuan untuk merancang sistem identifikasi
mutu dan varietas jagung berdasarkan fitur warna dan tekstur serta menentukan akurasi metode K-Nearest Neighbor
(K-NN) dalam menduga mutu jagung. Sistem dirancang menggunakan input 7 fitur (H,S,V, Contrast, Correlation,
Energy, Homogeneity) dan algoritma K-NN sebagai classifiers. Sistem ini mengklasifikasikan jagung ke dalam 10
kategori yang terdiri dari varietas Pertiwi 3 dan Pertiwi 6 masing-masing 5 kategori mutu. Hasil keluaran sistem
berupa kadar air (KA), varietas serta harga jagung. Berdasarkan hasil penelitian menggunakan 500 citra dengan
rasio pengujian 70% data latih dan 30% data uji, menunjukkan bahwa sistem mampu mengidentifikasi mutu dan
varietas jagung dengan baik. Akurasi tertinggi diperoleh saat nilai k=5 menggunakan Cityblock distance sebesar
90%.

Kata kunci: harga jagung, K-NN, pengolahan citra, warna dan tekstur

Abstract
Corn is a food commodity that most widely used for feed raw material. The current issues, quality of corn at
farmers has high moisture content, thus feed industry should supply through wholesalers to absorb local corn.
Determination of corn moisture content at farm-level are based on drying time. However, these method are
subjective depends on trader’s prespective that can lead to differences in price. Therefore, a good and accurate
method is required to speed up the pricing of corn. This research aimed at designing an identification system of corn
quality and varieties based on color and texture, also determining accuracy level of K-NN for estimating corn
quality. System designed with 7 features input (H,S,V, Contrast, Correlation, Energy, Homogeneity) and K-NN
algorithm as classifiers. This system classify corn into 10 quality categories consisting 5 category for each Pertiwi 3
and Pertiwi 6. System output include moisture content, varieties and purchase price of corn. Based on this study
using 500 dataset with training and testing data ratio 70%:30% show that system is able to identify corn quality and
varieties well. The highest accuracy obtained when k=5 using Cityblock distance equal to 90%.

Keywords : color and texture, corn price, image processing, K-NN

PENDAHULUAN
Jagung selain berperan sebagai sumber pangan bagi sebagian masyarakat Indonesia, juga
dimanfaatkan sebagai bahan baku pakan ternak dan industri lain. Badan Litbang Pertanian (2015)
menyebutkan pemanfaatan jagung tertinggi digunakan sebagai pakan ternak yaitu 22% sebagai pakan
ternak langsung dan 44% sebagai bahan baku industri pakan, 25% untuk bahan baku industri pangan serta
 2
Identifikasi Mutu Jagung Menggunakan Fitur Warna dan Tekstur Berbasis Pengolahan Citra Digital dan Algoritma
K-Nearest Neighbor (K-NN)
9% untuk konsumsi rumah tangga secara langsung. Permasalahan mutu jagung di tingkat petani yaitu
masih tingginya kadar air dan tingkat kerusakan serta cemaran yang terjadi selama proses penanganan
pascapanen maupun saat proses pemipilan dengan mesin, sehingga banyak produk jagung di tingkat
petani yang tidak terserap industri, khususnya industri pakan (BPTP, 2009). Industri pakan tidak bisa
memasok langsung dari petani karena kadar air jagung yang dihasilkan terlampau jauh dari standar SNI.
Karenanya pemenuhan jagung untuk kebutuhan industri pakan dilakukan melalui pedagang pengepul atau
pedagang besar.
Penentuan mutu jagung petani didasarkan lama pengeringan yang dikategorikan menjadi jagung
basah, setengah kering dan kering yang akan mempengaruhi keputusan harga beli. Metode tersebut
kurang efisien dan bersifat subjektif tergantung masing-masing pedagang, serta dapat menimbulkan
konflik karena perbedaan harga antar pedagang. Karenanya, untuk mempercepat penentuan harga yang
didasarkan pada mutu kadar air, perlu dilakukan pengembangan metode identifikasi mutu jagung yang
baik dan akurat berbasis pengolahan citra digital. Pengolahan citra digital merupakan disiplin ilmu yang
mempelajari tentang teknik-teknik mengolah citra (Sutoyo et al., 2009) yang melibatkan persepsi visual
dan mempunyai ciri-ciri data masukan dan informasi keluaran berbentuk berkas citra digital (Daryanto,
2016). Kemampuan pengolahan citra digital yang canggih memungkinkan proses identifikasi mutu
komoditas pertanian menjadi lebih efektif dan efisien. Penelitian bertujuan untuk merancang sistem
identifikasi mutu dan varietas jagung berdasarkan fitur warna dan tekstur serta menentukan tingkat
akurasi metode K-Nearest Neighbor (K-NN) dalam menduga mutu jagung di tingkat petani.
Pada penelitian ini, dibangun sistem aplikasi identifikasi mutu dan varietas jagung menggunakan
fitur warna HSV dan tekstur GLCM menggunakan klasifikasi K-NN. Warna HSV merupakan hasil
transformasi dari RGB menggunakan metode geometrik (Deswal dan Neetu, 2014), dimana Hue
merupakan suatu ukuran panjang gelombang yang terdapat pada warna dominan yang diterima oleh
penglihatan, Saturation menyatakan tingkat kemurnian warna cahaya (Semary et al., 2013), serta Value
menyatakan kecerahan dari warna (Kour, 2015). Pemilihan warna HSV karena warna tersebut
merepresentasikan warna sesuai dengan fitur penglihatan manusia (Chitra dan Balakrishnan, 2012).
Tekstur merupakan salah satu ciri yang paling penting untuk analisis citra, dimana tekstur menyediakan
informasi mengenai susunan stuktur pada permukaan, perubahan intensitas, atau kecerahan warna
(Siqueira et al., 2013). Penggunaan fitur tekstur sebagai parameter dalam menduga kadar air, karena
tinggi rendahnya kadar air dapat mempengaruhi tekstur jagung. Analisis tekstur dilakukan menggunakan
metode Gray Level Co-occurance Matrix (GLCM). GLCM merupakan matriks yang merepresentasikan
hubungan ketetanggaan antar piksel dalam citra pada berbagai arah orientasi dan jarak spasial (Albregtsen,
2008). Perhitungan fitur GLCM terdiri atas nilai contrast, correlation, energy, dan homogeneity.
Penggunaan algoritma K-NN mampu mencapai hasil akurasi lebih tinggi (Gu et al., 2009) serta lebih
mudah dan lebih handal untuk direpresentasikan (Arifin et al., 2012) dibandingkan dengan algoritma
klasifikasi lain seperti Decision Tree dan Naive Bayessian. Menurut Dzuida (2010), K-Nearest Neighbor
(K-NN) merupakan algoritma sederhana yang termasuk dalam classifier kuat, namun membutuhkan nilai
k dan penggunaan jarak yang tepat untuk menghasilkan akurasi yang tinggi. Selain itu, K-NN
membutuhkan alokasi memori besar karena tidak membangun model klasifikasi dalam prosesnya.

METODE PENELITIAN
Penelitian dilaksanakan di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian, Jurusan
Keteknikan Pertanian, sedang pengolahan data di Laboratorium Komputasi dan Analisis Sistem, Jurusan
Teknologi Industri Pertanian, Fakultas Teknologi Pertanian, Universitas Brawijaya Malang. Bahan jagung
pipilan diperoleh dari petani jagung di kabupaten Tuban, Jawa Timur. Jagung pipilan yang digunakan
yaitu varietas Pertiwi 3 dan Pertiwi 6 masing-masing terdiri dari pipilan basah, setengah kering dan kering.
Selain jagung pipilan utuh, juga digunakan jagung pipilan dengan biji pecah, biji rusak dan biji berjamur.
Peralatan yang digunakan ialah perangkat pengambilan citra dan moisture tester. Tahapan penelitian
 3
Identifikasi Mutu Jagung Menggunakan Fitur Warna dan Tekstur Berbasis Pengolahan Citra Digital dan Algoritma
K-Nearest Neighbor (K-NN)
meliputi persiapan sampel, perancangan perangkat pengambilan citra, pengembangan algoritma
pengolahan citra, perancangan GUI, pelatihan dan pengujian sistem serta analisis performansi sistem.

Sample Preparation dan Akuisisi Citra

Tahap awal yaitu menyiapkan sampel jagung pipilan basah, setengah kering dan kering tiap varietas
Pertiwi 3 dan Pertiwi 6. Terdapat 10 kelas kategori terdiri dari Pertiwi 3 dan Pertiwi 6 masing-masing 5
kategori (kategori 1-5 merupakan varietas Pertiwi 3, sedang kategori 6-10 merupakan Pertiwi 6)
didasarkan pada PERMENDAGRI No. 27/M-DAG/PER/5/2017. Tiap kategori terdiri dari 5 kelompok
variasi kadar air yakni Kategori 1 variasi kadar air: 11%-15%, Kategori 2 variasi kadar air: 16%-20%,
Kategori 3 variasi kadar air: 21%-25%, Kategori 4 variasi kadar air: 26%-30%, Kategori 5 variasi kadar
air: 31%-35%, demikian halnya Kategori 6-10 memiliki variasi kadar air yang sama dengan Kategori 1-5.
Tiap kelompok variasi kadar air ditimbang sebanyak ±20 gram terdiri dari biji utuh, dan maksimal 2%
masing-masing biji pecah, biji rusak serta biji berjamur. Selanjutnya dilakukan pengambilan citra tiap
kelompok sampel sebanyak 10 kali dengan mengacak posisi butir, sehingga menghasilkan citra yang
berbeda. Total dataset citra jagung yang diperoleh adalah 5 variasi kadar air x 10 kelas kategori x 10 kali
pengambilan citra = 500 data citra.

Perancangan Perangkat Pengambilan Citra

Sistem identifikasi mutu jagung terdiri dari perangkat keras (hardware) dan perangkat lunak
(software). Perangkat keras digunakan untuk memudahkan proses pembacaan citra sedangkan perangkat
lunak digunakan untuk mengidentifikasi citra jagung. Perangkat keras yang digunakan antara lain laptop,
kamera handphone (8MP), kabel USB, kotak pengambilan citra (ukuran 30cm x 30cm x 30cm) dan 2
lampu LED berukuran 5 watt, sedangkan perangkat lunak pengolahan citra menggunakan pemrograman
Matlab R2012a.

Pengembangan Algoritma Pengolahan Citra

Terdapat beberapa proses yang harus dilakukan untuk membangun algoritma, dimulai dari proses
pembacaan image, melakukan resize citra menjadi 300x300 piksel, ekstraksi fitur warna dan tekstur
kemudian dilakukan proses klasifikasi menggunakan K-NN. Secara keseluruhan, tahapan pengembangan
algoritma pengolahan citra ditunjukkan pada Gambar 1.

tekstur
Mulai Ekstraksi fitur Merubah citra RGB ke grayscale

warna

Preprocessing
Merubah citra RGB
Pembacaan image 1. Image enhancement
Ke HSV
2. Median filtering

Merubah ukuran gambar Ekstraksi komponen Segmentasi menggunakan

(300x300 piksel) (H,S,V) Thresholding

Menghitung nilai mean Penyatuan objek asli dan objek

setiap komponen hasil segmentasi

Grayscaling dan ekstraksi fitur

Selesai Klasifikasi KNN
GLCM

Gambar 1. Pengembangan pengolahan citra

a. Pembacaan image dan resizing image

Citra yang diinput ke dalam sistem merupakan citra hasil akuisisi yang sudah mengalami proses
cropping dari 2448x3264 piksel menjadi 1660x1660 piksel. Cropping pada citra asli hasil akuisisi
 4
Identifikasi Mutu Jagung Menggunakan Fitur Warna dan Tekstur Berbasis Pengolahan Citra Digital dan Algoritma
K-Nearest Neighbor (K-NN)
bertujuan untuk memotong citra pada bagian yang tidak diperlukan. Citra input hasil cropping
selanjutnya di-resize menjadi 300x300 piksel untuk meringankan beban kinerja sistem.
b. Ekstraksi fitur
Pada tahap ekstraksi warna HSV, citra warna RGB langsung diubah ke channel HSV dan
dihitung nilai mean tiap komponen. Ekstraksi tekstur citra dimulai dengan mengubah citra RGB
menjadi grayscale, dilakukan preprocessing untuk menghilangkan noise dan meningkatkan kualitas
citra menggunakan image enhancement dan median filtering. Tahap selanjutnya yaitu segmentasi
atau pemisaan objek dengan background berdasar perbedaan tingkat kecerahan warna menggunakan
thresholding. Citra hasil segmentasi kemudian disatukan kembali dengan objek asli sehingga
menghasilkan citra RGB tanpa background. Selanjutnya citra diubah menjadi grayscale untuk
diperoleh nilai fitur tekstur GLCM meliputi contrast, correlation, energy dan homogeneity.
c. Klasifikasi K-NN
Sistem klasifikasi mutu dan varietas jagung menggunakan metode K-Nearest Neighbor (K-NN).
Metode K-NN melakukan klasifikasi suatu data dengan mengidentifikasi sejumlah k tetangga
terdekat data latih, kemudian melakukan prediksi terhadap data uji dengan mengambil kelas
terbanyak dalam menentukan jenis kelas dari data tersebut (Zhang et al., 2016). Metode K-NN
menggunakan jarak Euclidean atau metode pembelajaran metrik lainnya untuk mengukur perbedaan
atau kemiripan antara data latih dan data uji. Semakin besar nilai Euclidean distance, akan semakin
jauh tingkat kemiripan antara data uji dan data latihnya dan sebaliknya (Luhulima et al., 2015).
Penelitian ini menggunakan variasi nilai k (tetangga terdekat) 1,3,5,7, dan 9 dengan metode
Euclidean dan Cityblock distance yang dapat dihitung menggunakan persamaan (1) dan (2). Adapun
tahapan klasifikasi K-NN adalah sebagai berikut :
1) Menentukan parameter nilai k (jumlah tetangga terdekat)
2) Menghitung jarak data uji ke data latih
3) Mengurutkan data berdasarkan data dengan jarak terkecil
4) Menentukan kelompok data uji berdasarkan label mayoritas pada nilai k

(1)

(2)

Dimana :
dxy = tingkat perbedaan (dissimilarity degree)
n = jumlah vector
xi = vektor citra input
yi = vektor citra pembanding (output)

Perancangan GUI Aplikasi (Antarmuka Sistem)

Pembuatan GUI aplikasi ditujukan untuk mempermudah penggunaan program identifikasi mutu dan
varietas jagung. Struktur antarmuka sistem terdiri dari menu file, menu help, menu about dan menu exit.
Menu file berisi program utama yaitu identifikasi mutu jagung untuk end user dan detail proses
identifikasi. Menu help berisi petunjuk penggunaan aplikasi, menu about menjelaskan informasi tentang
mutu jagung dan tentang aplikasi, serta menu exit untuk keluar dari aplikasi.

Pelatihan dan Pengujian Sistem

Tahap pengujian sistem bertujuan untuk mengetahui tingkat keberhasilan dan kemampuan sistem
dalam mengklasifikasikan mutu jagung. Input sistem terdiri dari 7 parameter yakni 3 fitur warna H,S,V
dan 4 fitur tekstur GLCM yaitu contrast, correlation, energy dan homogeneity. Dalam pengujian sistem,
rasio perbandingan data latih dan data uji yang digunakan adalah 70%:30%. Dari total 500 data citra
jagung yang diambil, sebanyak 350 data yang terdiri dari masing-masing kelas kategori digunakan
 5
Identifikasi Mutu Jagung Menggunakan Fitur Warna dan Tekstur Berbasis Pengolahan Citra Digital dan Algoritma
K-Nearest Neighbor (K-NN)
sebagai data latih, dan 150 data digunakan sebagai data uji. Selanjutnya, citra dianalisis dengan
membandingkan jarak terdekat antara data uji dengan k tetangga terdekatnya dalam data latih
menggunakan metode K-NN. Output dari hasil pengujian berupa kategori kelas yang direpresentasikan
dalam varietas, kadar air dan harga jagung.

Analisis Performansi Sistem

Performansi sistem dinilai melalui perhitungan nilai akurasi dan tingkat error. Pengukuran
performansi sistem dilakukan menggunakan tabel confusion matrix. Confusion matrix merupakan sebuah
matrik dari hasil prediksi yang dibandingkan dengan kelas asli dari data uji. Perhitungan akurasi
dilakukan untuk mengevaluasi model klasifikasi berdasar pada proporsi antara data uji yang diprediksi
secara tepat dengan total seluruh prediksi. Nilai error menunjukkan tingkat kesalahan algoritma KNN
dalam mengklasifikasikan kategori mutu jagung. Perhitungan akurasi dan tingkat error menggunakan
persamaan (3) dan (4).

(3)

(4)

HASIL DAN PEMBAHASAN

Implementasi Perangkat Pengambilan Citra
Tahap awal sebelum dilakukan pengambilan citra, yakni menyiapkan sampel jagung pipilan basah,
setengah kering dan kering untuk diuji kadar airnya. Pengujian kadar air menggunakan moisture tester
hingga diperoleh sampel sesuai kategori mutu PERMENDAGRI No.27/M-DAG/PER/5/2017. Langkah-
langkah pengambilan citra yaitu meletakkan sampel jagung di atas kertas berwarna biru tua (dipilih warna
yang kontras dengan obyek), posisi kamera tegak lurus dengan objek pada ketinggian ±12 cm. Jarak
kamera dengan obyek ditentukan sesuai jenis kamera yang digunakan dan kondisi saat kamera fokus serta
tidak kabur. Pengambilan citra menggunakan lampu LED 5 watt di atas kedua sisi objek. Selanjutnya
kotak citra ditutup untuk memfokuskan cahaya agar citra tidak dipengaruhi cahaya lain, lalu dilakukan
pengambilan citra tanpa menggunakan flash. Ilustrasi pengambilan citra dapat dilihat pada Gambar 2.
Hasil pengambilan citra disimpan dalam format JPEG.

Gambar 2. Ilustrasi pengambilan citra

Pengembangan Algoritma Pengolahan Citra

Tahapan pengembangan algoritma pengolahan citra pada sistem identifikasi mutu jagung dimulai
dari pembacaan image, resize image, ekstraksi fitur dan tahap klasifikasi menggunakan algoritma K-NN.
Sebelum citra diinput, terlebih dahulu dilakukan cropping untuk mempermudah dalam proses mengolah
data pada tahap selanjutnya. Citra input hasil cropping, akan mengalami proses resizing. Tahap resizing
bertujuan untuk mengubah ukuran citra hasil cropping menjadi citra yang diproses. Citra input hasil
 6
Identifikasi Mutu Jagung Menggunakan Fitur Warna dan Tekstur Berbasis Pengolahan Citra Digital dan Algoritma
K-Nearest Neighbor (K-NN)
cropping dapat dilihat pada Gambar 3(a). Ekstraksi fitur dilakukan untuk mendapatkan fitur dari biji
jagung. Pada penelitian ini, citra biji jagung diidentifikasi berdasarkan fitur warna dan fitur tekstur.
Ekstraksi fitur warna dilakukan menggunakan warna HSV dengan menghitung nilai mean dari setiap
komponen H, S, V. Nilai mean atau piksel rata-rata merupakan suatu nilai yang menunjukkan ukuran
dispersi dari suatu citra. Citra hasil ekstraksi komponen Hue, Saturation, Value dapat dilihat pada
Gambar 3(b), Gambar 3(c), Gambar 3(d).

(a) (b) (c) (d)

Gambar 3(a) Citra input, (b) Ekstraksi nilai Hue, (c) Ekstraksi nilai Saturation, (d) Ekstraksi nilai Value

Ekstraksi fitur tekstur menggunakan Gray Level Co-occurence Matrix (GLCM). Tahap ekstraksi
fitur tekstur terdiri dari preprocessing, segmentasi dan ekstraksi nilai fitur GLCM yang digunakan antara
lain contrast, correlation, energy, dan homogeneity. Tahap preprocessing atau perbaikan kualitas citra
dilakukan menggunakan image enhancemen dan median filter. Image enhancement berfungsi untuk
meningkatkan fitur tertentu pada citra, sehingga tingkat keberhasilan proses pengolahan citra selanjutnya
menjadi lebih tinggi. Teknik yang digunakan adalah intensity adjustment (imadjust) untuk mendapatkan
kontras baru yang lebih baik dari citra asal. Median filter digunakan untuk menghilangkan derau pada
citra hasil imadjust. Tahap preprocessing menurut Effendi et.al. (2017) memudahkan citra pada saat
dilakukan ekstraksi fitur. Tahap segmentasi menggunakan metode thresholding. Thresholding membagi
region citra yang cenderung gelap dibuat semakin gelap (hitam sempurna), sedangkan region citra yang
cenderung terang dibuat semakin terang (putih sempurna). Nilai threshold yang digunakan yaitu 130,
dimana nilai ini diperoleh melalui trial error hingga bagian objek dan background dapat dipisahkan
secara sempurna. Hasil dari segmentasi berupa citra biner dengan nilai intensitas piksel sebesar 0
(background) atau 1 (objek) yang ditunjukkan pada Gambar 4(a). Citra biner hasil segmentasi kemudian
disatukan kembali dengan objek asli sehingga menghasilkan citra warna tanpa background (Gambar
4(b)). Untuk mendapatkan nilai fitur GLCM, citra RGB hasil segmentasi diubah menjadi grayscale. Citra
grayscale hasil konversi citra RGB hasil segmentasi ditunjukkan pada Gambar 4(c).

(a) (b) (c)

Gambar 4(a) Citra biner, (b) Citra RGB hasil segmentasi, (c) Citra grayscale

Ilustrasi klasifikasi K-NN ditunjukkan pada Gambar 5. Data uji yang belum diketahui kelasnya
digambarkan sebagai titik query berwarna hitam, sedang titik-titik data latih diasumsikan merupakan titik
temu dari ketujuh dimensi fitur. Karena dimensi dan jumlah data terlalu besar, maka diambil contoh titik
temu fitur Mean Hue dan Homogeneity. Gambar 5 menunjukkan saat menggunakan nilai k=1,3,5,7
maupun 9, data uji terklasifikasikan kedalam kategori 1, karena jumlah mayoritas kelas pada tetangga
terdekat 1,3,5,7 dan 9 adalah kategori 1.
 7
Identifikasi Mutu Jagung Menggunakan Fitur Warna dan Tekstur Berbasis Pengolahan Citra Digital dan Algoritma
K-Nearest Neighbor (K-NN)

Gambar 5. Ilustrasi hasil klasifikasi K-NN menggunakan k = 9 pada fitur Mean Hue dan Homogeneity

Pelatihan dan Pengujian Sistem Menggunakan K-Nearest Neighbor (K-NN)

Proses pelatihan sistem dilakukan untuk melatih algoritma K-NN agar mampu mengidentifikasi
mutu jagung. K-NN membangun sistem klasifikasi melalui pembelajaran dari data latih yang sudah
diklasifikasikan sebelumnya. Pada kasus identifikasi mutu dan varietas jagung, proses pelatihan algoritma
K-NN dilakukan dengan menyimpan vektor fitur warna HSV dan fitur tekstur GLCM serta label kelas
dari masing-masing kelas kategori. Data hasil ekstraksi 3 fitur warna dan 4 fitur tekstur jagung yang
merupakan parameter uji disimpan dalam direktori matlab dalam bentuk file.mat. Jumlah data citra yang
digunakan yaitu 500 citra dengan rasio pengujian 70%:30%. Database citra latih yang ditanam pada
sistem sejumlah 350 data. Database tersebut dijadikan sebagai acuan dalam proses pengujian sistem.
Pengujian sistem bertujuan untuk mengetahui kemampuan sistem dalam memprediksi ketepatan
identifikasi mutu jagung berdasarkan fitur warna HSV dan fitur tekstur GLCM. Jumlah data uji yang
digunakan yaitu 150 data yang terdiri dari 15 data untuk masing-masing Kategori 1 sampai dengan
Kategori 10. 15 data tersebut diambil secara acak sebanyak 3 data per kelompok varasi kadar air.
Pengujian berfokus pada akurasi hasil klasifikasi yang dilakukan oleh program. Untuk setiap variasi nilai
k=1,3,5,7,9 dan metode jarak Euclidean dan Cityblock yang digunakan selanjutnya dihitung akurasinya.
Secara keseluruhan, hasil yang terklasifikasikan benar menggunakan K-NN ditunjukkan pada Tabel 1.

Tabel 1. Hasil klasifikasi benar menggunakan K-Nearest Neighbor

Jumlah Data Benar
Total Akurasi
k Kat.
Kat. 1 Kat. 2 Kat. 3 Kat. 4 Kat. 5 Kat. 6 Kat. 7 Kat. 8 Kat. 9 Benar (%)
10
Metode Euclidean
1 13 10 11 13 12 15 14 8 14 15 125 83,33
3 14 10 9 12 12 15 15 10 14 15 126 84,00
5 14 10 13 11 12 15 14 7 13 15 124 82,67
7 14 9 13 10 14 14 13 9 15 15 126 84,00
9 14 10 14 11 10 14 15 9 14 14 125 83,33
Metode Cityblock
1 12 10 13 12 13 15 14 10 15 15 129 86,00
3 14 10 12 11 14 15 15 11 14 15 131 87,33
5 14 11 14 12 14 15 15 10 15 15 135 90,00
7 13 11 14 9 14 15 15 13 15 15 134 89,33
9 14 10 13 12 11 14 15 10 15 14 128 85,33
Sumber : Data yang diolah (2018)
Keterangan :
Kat. 1 : Pertiwi 3 dengan kriteria Kadar air maks 15%, harga Rp.3.150,-/kg
Kat. 2 : Pertiwi 3 dengan kriteria Kadar air maks 20%, harga Rp.3.050,-/kg
Kat. 3 : Pertiwi 3 dengan kriteria Kadar air maks 25%, harga Rp.2.850,-/kg
Kat. 4 : Pertiwi 3 dengan kriteria Kadar air maks 30%, harga Rp.2.750,- /kg
 8
Identifikasi Mutu Jagung Menggunakan Fitur Warna dan Tekstur Berbasis Pengolahan Citra Digital dan Algoritma
K-Nearest Neighbor (K-NN)
Kat. 5 : Pertiwi 3 dengan kriteria Kadar air maks 35%, harga Rp.2.500,-/kg
Kat. 6 : Pertiwi 6 dengan kriteria Kadar air maks 15%, harga Rp.3.150,-/kg
Kat. 7 : Pertiwi 6 dengan kriteria Kadar air maks 20%, harga Rp.3.050,-/kg
Kat. 8 : Pertiwi 6 dengan kriteria Kadar air maks 25%, harga Rp.2.850,-/kg
Kat. 9 : Pertiwi 6 dengan kriteria Kadar air maks 30%, harga Rp.2.750,-/kg
Kat. 10 : Pertiwi 6 dengan kriteria Kadar air maks 35%, harga Rp.2.500,- /kg

Pada Tabel 1 dapat dilihat hasil klasifikasi sistem menggunakan K-NN tiap variasi nilai k dan
metode perhitungan jarak yang digunakan. Pada sistem ini, hasil akurasi tertinggi didapatkan ketika
menggunakan metode Cityblock distance dengan nilai k=5 yaitu sebesar 90,00%. Nilai k = 5 berarti
terdapat lima vektor berdekatan yang digunakan sebagai pembanding terhadap data uji, dengan nilai
tersebut maka sudah dapat mewakili vektor fitur dari berbagai kelas. Dari total 150 data uji, sistem
mampu mengklasifikasikan mutu jagung dengan benar sebanyak 135 data. Akurasi terendah didapatkan
ketika menggunakan Euclidean dengan nilai k=5, yaitu sebesar 82,67%, dimana data yang terklasifikasi
benar sebanyak 124 data. Berdasar hasil akurasi K-NN terbaik, sistem mampu mengklasifikasikan semua
data dengan benar pada Kategori 6, Kategori 7, Kategori 9 dan Kategori 10. Data yang paling sedikit
terklasifikasikan dengan benar yaitu Kategori 8. Citra yang tidak terklasifikasikan dengan benar dapat
dipengaruhi antara lain faktor cahaya, kotoran pada objek dan kondisi kamera yang kurang fokus pada
saat proses pengambilan citra, sehingga citra yang dihasilkan memiliki lebih banyak noise dan sulit
dikenali oleh sistem. Menurut Sela dan Muhammad (2017), proses pengambilan citra mempengaruhi hasil
akurasi yang dihasilkan dari sistem.

Implementasi GUI Aplikasi

Proses pengujian sistem juga dilakukan melalui tampilan GUI. Proses pengujian berbasis GUI
ditujukan untuk mempermudah user dalam mengaplikasikan program identifikasi mutu jagung. Terdapat
dua jenis tampilan identifikasi mutu, pertama tampilan yang didesain untuk end user dan kedua
menampilkan detail tahapan proses identifikasi secara lebih rinci. Pada identifikasi mutu untuk end user,
proses klasifikasi dilakukan secara otomatis oleh sistem menggunakan K-NN dengan nilai default k=5
dan Cityblock distance. Langkah pertama menjalankan sistem, user dapat mengambil citra jagung untuk
diidentifikasi mutunya dengan tombol “Ambil citra”. Selanjutnya mengklik tombol “Identifikasi” untuk
memunculkan hasil klasifikasi. Tombol “Reset” berfungsi untuk mengembalikan keadaan seperti semula.
Tampilan hasil identifikasi mutu jagung untuk end user ditunjukkan Gambar 6.

Gambar 6. Contoh tampilan hasil identifikasi mutu (end user)

Detail proses identifikasi merupakan gabungan dari tahapan pengolahan citra mulai dari tahap
pengambilan citra, preprocessing, ekstraksi fitur dan klasifikasi mutu jagung. Pada tahap ini, user dapat
memulai dengan mengambil citra yang ingin diidentifikasi mutunya dengan memilih tombol “Ambil
citra”. Selanjutnya mengklik tombol “Ekstraksi ciri”, maka diperoleh nilai fitur warna HSV dan fitur
 9
Identifikasi Mutu Jagung Menggunakan Fitur Warna dan Tekstur Berbasis Pengolahan Citra Digital dan Algoritma
K-Nearest Neighbor (K-NN)
tekstur GLCM yang dijadikan sebagai parameter uji kemiripan dengan data latih. Tahap berikutnya, user
dapat memilih nilai k tetangga terdekat dan metode jarak perhitungan untuk klasifikasi K-NN. Tahap
terakhir yaitu mengklik tombol “Identifikasi”, maka sistem melakukan proses klasfikasi K-NN dengan
menghitung kemiripan antara vektor fitur citra yang diuji dengan vektor fitur citra data latih yang sudah
tertanam dalam database sistem berdasarkan nilai k dan metode distance yang dipilih oleh user pada
tahap sebelumnya. Setelah melakukan identifikasi, maka sistem memunculkan output berupa kategori
mutu, varietas, kadar air dan harga. Contoh hasil identifikasi mutu jagung ditunjukkan pada Gambar 7.

Gambar 7. Contoh tampilan hasil detail proses identifikasi

Analisis Performansi Sistem

Perbandingan tingkat akurasi algoritma K-NN dalam mengidentifikasi mutu jagung menggunakan
variasi nilai k dan metode perhitungan jarak Euclidean dan Cityblock ditunjukkan pada Gambar 8.

Gambar 8. Perbandingan tingkat akurasi pada variasi nilai k dan distance

Berdasar Gambar 8 dapat disimpulkan bahwa hasil klasifikasi dengan nilai k=5 menggunakan
metode Cityblock, sistem mampu mendeteksi kategori benar dengan akurasi tertinggi sebesar 90,00% dan
tingkat error sebesar 0,1. Menurut Prasetyo (2012), Cityblock memiliki kemampuan tangguh dalam
mendeteksi outlier (data pencilan) berbasis jarak. Hal ini disebabkan Cityblock distance menggunakan
selisih jumlah absolut antara dua data, sehingga mampu memberikan jarak terjauh antara dua data
tersebut.
KESIMPULAN
Perancangan dan implementasi sistem identifikasi mutu jagung berbasis pengolahan citra digital
telah berhasil dilakukan menggunakan input warna HSV dan fitur tekstur GLCM yang terdiri dari
contrast, correlation, energy, dan homogeneity. Sistem dirancang melalui tahapan akuisisi citra,
 10
Identifikasi Mutu Jagung Menggunakan Fitur Warna dan Tekstur Berbasis Pengolahan Citra Digital dan Algoritma
K-Nearest Neighbor (K-NN)
pengembangan algoritma pengolahan citra yang terdiri dari preprocessing, ekstraksi fitur dan klasifikasi
K-Nearest Neighbor (K-NN), serta tahapan implementasi dalam bentuk GUI aplikasi. Berdasarkan hasil
uji, aplikasi yang dibuat mampu menggolongkan mutu dan varietas jagung menjadi 10 kategori yang
terdiri dari Pertiwi 3 dan Pertiwi 6 masing-masing 5 Kategori mutu. Metode K-NN mampu
mengidentifikasi mutu dan varietas jagung di tingkat petani serta menghasilkan akurasi yang baik.
Akurasi tertinggi diperoleh saat nilai k=5 menggunakan Cityblock distance dengan nilai akurasi sebesar
90,00%.
Untuk penelitian selanjutnya, disarankan menggunakan parameter lain yang memiliki pengaruh baik
dalam mengenali karakteristik fitur jagung untuk meningkatkan akurasi sistem identifikasi mutu dan
varietas jagung, seperti menambahkan fitur bentuk sebagai parameter uji dan menambah varietas jagung.
Selain itu, dapat mengembangkan sistem yang mampu melakukan pendugaan massa terhadap biji rusak,
berjamur, pecah, serta mampu mengidentifikasi kadar air dan harga jagung secara real time.

Daftar Pustaka
Albregtsen, F. 2008. Statistical Texture Measures Computed from Gray Level Coocurrence Matrices. Image
Processing Laboratory Department of Informatics University of Oslo. Norway

Arifin, A.D. 2012. Implementasi Algoritma K-Nearest Neighbor Berdasarkan One Pass Clustering Untuk
Kategorisasi Teks. Tesis. Institut Teknologi Sepuluh November. Surabaya.

Badan Litbang Pertanian. 2015. Harmonisasi Data Produksi Dan Konsumsi Beras Dan Jagung Dalam Kaitan
Dengan Luas Lahan Dan Produktivitas. Badan Penelitian dan Pengembangan Pertanian. Jakarta

BPTP NAD. 2009. Budidaya Tanaman Jagung. Balai Pengkajian Teknologi Pertanian Nanggro Aceh Darusalam.
Aceh

Chitra, S. dan Balakrishnan. 2012. Comparative Study for Two Color Spaces HSCbCr and YcbCr in Skin Color
Detection. Applied Mathematical Sciences 6(85): 4229-4238.

Daryanto. 2016. Aplikasi Pembesaran Citra Menggunakan Metode Nearest Neghbour Interpolation. Jurnal Sistem
dan Teknologi Informasi Indonesia 1(1): 31-35

Deswal, M. dan Neetu S. 2012. A Fast HSV Image Color and Texture Detection and Image Conversion Algorithm.
International Journal of Science and Research 3(6): 1279-1284

Dzuida, D. M. Data Mining for Genomics and Preteomics : Analysis of Gene and Protein Expression Data. John
Wiley & Sons. Chichester

Effendi, M., Ullivia F., dan Usman E. 2017. Identifikasi Jenis dan Mutu Kopi Menggunakan Pengolahan Citra
Digital dengan Metode Jaringan Syaraf Tiruan. Jurnal Ilmiah Teknologi Pertanian AGROTECHNO 2(1):140-
146

Gu, Qi and Zhifei S. 2009. Image Classification Using SVM, KKN and Performance Comparison with Logistic
Regression : Final Project Report Departement of Computer Science, Dartmouth College, Hanover

Kour, H. 2015. Analysis on Image Color Model. International Journal of Advanced Research in Computer and
Communication Engineering 4(12): 233-235

Luhulima, Y.Y., Marji, dan Lailil M. 2015. Sentiment Analysis pada Review Barang Berbahasa Indonesia
dengan Metode K-Nearest Neighbor (K-NN). Skripsi. Universitas Brawijaya Malang. Malang

Prasetyo, E. 2012. Pengolahan Citra digital Dan Aplikasinya Menggunakan Matlab. ANDI. Yogyakarta

Sela, E.I., dan Muhammad I. 2017. Deteksi Kualitas Telur Menggunakan Analisis Tekstur. IJCCS 2(11): 199-208
 11
Identifikasi Mutu Jagung Menggunakan Fitur Warna dan Tekstur Berbasis Pengolahan Citra Digital dan Algoritma
K-Nearest Neighbor (K-NN)
Semary, N., Mohiy H., Hatem A.K., and Alaa A. 2013. Novel Compression System for Hue-Saturation and Intensity
Color Space. The International Arab Journal of Information Technology 10(6): 546-552

Siqueira, F.R.D., Schwartz W.R., Pedrini H. 2013. Multiscale gray level co-Occurence Atrices for Texture
Description. Journal Neurocomputing : 336-345

Sulistyo, W., Yos Richard B., dan Filipus F. 2009. Analisis Penerapan Metode Median Filter Untuk Mengurangi
Noise Pada Citra Digital. Konferensi Nasional Sistem dan Informatika. Bali

Zhang, S., Debo C., Ming Z. and Lianli G. 2016. Self Representation Nearest Neighbor Search for Classification.
Journal Neurocomputing 195: 137-142